Recozimento Simulado (Simulated Annealing)

Transcrição

1 Capítulo 5 Recozimento Simulado (Simulated Annealing) Francisco José da Cunha Pires Soeiro José Carlos Becceneri AntônioJosédaSilvaNeto 51 Motivação e Histórico do Método O Recozimento Simulado (Simulated Annealing, SA) tem sua origem na analogia entre o processo físico do resfriamento de um metal em estado de fusão e o problema de otimização Baseado em ideias da mecânica estatística e no algoritmo de simulação proposto por Metropolis et al [116] o SA foi apresentado inicialmente como uma técnica de otimização combinatória por Kirkpatrick et al [83] que o utilizaram no projeto de sistemas eletrônicos A mecânica estatística é a disciplina central da física da matéria condensada que estuda as propriedades agregadas de um conjunto elevado de átomos existentes em um líquido ou sólido Como o número de átomos é da ordem de por centímetro cúbico, somente as características mais prováveis do sistema em equilíbrio térmico serão observadas em experimentos Isto é caracterizado pelas propriedades médias e pequenas flutuações em torno das mesmas Cada configuração é definida por um conjunto de posições atômicas {r i } e afetadas pela probabilidade de Boltzmann exp[ E{r i }/k B T ], onde E{r i } é a energia da configuração, k B éaconstantedeboltzmanne T a temperatura

2 44 Recozimento Simulado Uma questão fundamental na mecânica estatística é saber o que acontece ao sistema em temperaturas baixas, se o mesmo permanece em estado líquido ou se solidifica e, neste caso, se atinge uma configuração cristalina ou se transforma em vidro Isto está relacionado diretamente com a energia interna do material Baixas temperaturas não são condições suficientes para garantir que baixos níveis de energia interna foram atingidos Experimentos que levam a baixos níveis de energia interna do material são baseados em um recozimento cuidadoso, ou seja, numa redução bem lenta da temperatura desde o estado de fusão do material, que vai resultar numa estrutura cristalina pura Se não for feito assim os cristais resultantes terão muitos defeitos ou a substância pode se transformar em um vidro, que é uma estrutura apenas ótima localmente Este processo de se achar um estado de baixa energia é simulado para a solução de um problema de otimização A função objetivo, ou função custo, corresponderá ao nível de energia do sistema, que nas duas situações, física ou simulada, se deseja minimizar A temperatura do sistema físico não tem equivalente no problema de otimização Esta será apenas um parâmetro de controle No processo iterativo se apenas configurações que levam a uma redução da energia forem aceitas haverá uma convergência rápida de uma temperatura elevada para T =0,o que fisicamente significa uma têmpera ou uma solução metaestável do ponto de vista matemático No procedimento de Metropolis [116] foi incorporado um aproveitamento cuidadoso de passos de subida, ou seja, passos que resultam em um aumento da função objetivo, visando facilitar a obtenção do ótimo global E foi esta probabilidade de se aceitar passos que levam a um valor pior da função objetivo que levou a um algoritmo que foge dos mínimos locais possibilitando a convergência para o ótimo global Metropolis introduziu um algoritmo simples para simular o sistema de átomos em equilíbrio numa determinada temperatura Em cada passo do algoritmo são dados deslocamentos aleatórios em cada átomo e a variação de energia écalculada E ( E = E i+1 E i ) Se E <0 o deslocamento é aceito e a nova configuração passa a ser o ponto de partida para o próximo passo No caso de E >0, a nova configuração pode ser aceita de acordo com a probabilidade P ( E) =exp ( E/k B T ) (511) Um número aleatório uniformemente distribuído no intervalo [0, 1] é calculado e comparado com P ( E) O critério de Metropolis estabelece que a configuração será aceita se o número aleatório for menor que P ( E), caso contrário é rejeitado e a configuração anterior é utilizada como ponto de partida para o próximo passo Repetindo-se este procedimento básico diversas vezes o movimento dos átomos de um material na temperatura T é

3 Descrição do Algoritmo 45 simulado Utilizando-se a função objetivo no lugar da energia e definindo-se as configurações atômicas como conjuntos de variáveis de projeto {x i },o procedimento de Metropolis gera um conjunto de configurações de um problema de otimização a uma certa temperatura Esta temperatura é apenas um parâmetro de controle A constante de Boltzmann também passa a ser um simples fator de escala normalmente igualado à unidade O SA consiste em primeiro fundir o sistema a ser otimizado a uma temperatura elevada e depois em reduzir a temperatura até que o sistema congele e não ocorra nenhuma melhora no valor da função objetivo Em cada temperatura a simulação deve ser executada num número tal de vezes que o estado de equilíbrio seja atingido A sequência de temperaturas e o número de rearranjos {x i } tentados em cada temperatura para o equilíbrio representam o esquema de recozimento do SA Atualmente o SA continua sendo bastante utilizado, muitas vezes em conjunto com outras técnicas de otimização combinatória, tais como algoritmos genéticos [132] 52 Descrição do Algoritmo Um algoritmo básico do SA é apresentado a seguir A nomenclatura utilizadaéaseguinte: X é a solução gerada na iteração corrente; X é a melhor solução encontrada; f é a função objetivo; T 0 é a temperatura inicial; T é a temperatura corrente; p é um número real, entre 0 e 1, gerado aleatoriamente Passo 1 Atribuir a X uma solução inicial Passo 2 Fazer X = X Passo 3 Definir uma temperatura inicial T 0 Passo 4 Verificar se as condições de parada foram encontradas Passo 5 Escolher um ponto X vizinho de X Passo 6 Calcular E = f (X ) f (X) Passo 7 Verificar se E <0 Passo 8 Se Passo-7 for verdadeiro: fazer X = X Se (f (X ) <f(x )) fazer X = X Passo 9 Se Passo-7 não for verdadeiro: gerar um número aleatório p Se p < exp ( E/T) fazer X = X Passo 10 Retornar ao Passo 5

4 46 Recozimento Simulado Passo 11 Atualizar T Passo 12 Retornar ao Passo 4 Alguns comentários sobre os passos do algoritmo do SA são feitos a seguir No Passo 1, obtém-se uma solução inicial, o que pode ser feito de forma aleatória, normalmente com base na experiência No Passo 2, atribui-se a X o valor da solução inicial X, por ser a melhor solução conhecida até este passo No Passo 3, atribui-se a T o valor da temperatura inicial (T 0 ) O parâmetro T 0 deve ser suficientemente grande para que todas as transições sejam inicialmente aceitas Evidentemente, esse valor depende do tipo do problema e da instância analisada Na literatura, existem muitas propostas para o cálculo da temperatura inicial [1] Cita-se aqui dois exemplos: T 0 = lnf (X 0 ), onde f (X 0 ) é o valor da função objetivo da solução inicial ou T 0 = E max, onde E max é a diferença máxima de custo entre duas soluções vizinhas No último caso, porém, o cálculo pode consumir muito tempo computacional Por isso, frequentemente, usamos uma estimativa para T 0 No Passo 4, é estabelecido um critério de parada No código utilizado neste capítulo além do número máximo de avaliações da função objetivo, o algoritmo termina pela comparação dos últimos N ɛ pontos de mínimo encontrados ao fim de cada temperatura com o mais recente mínimo e o melhor de todos encontrados ao longo de todo o processo Se a diferença entre todos esses valores for menor que ɛ o algoritmo termina Este critério ajuda a assegurar que o ótimo global foi encontrado No Passo 5, escolhe-se um vizinho da solução corrente X Essa função de escolha é essencial ao bom desempenho do algoritmo, pois, se analisarmos muitos vizinhos, podemos comprometer o tempo de processamento No presente trabalho um novo valor de X, X, é determinado variando-se o elemento i do vetor X, da seguinte maneira: x i = x i + rv i (522) onde r é um número aleatório uniformemente distribuído no intervalo [ 1, 1] e v i o i-ésimo elemento de V (vetor com os comprimentos dos passos) Depois de N s passos sobre todas as variáveis de projeto (elementos de X), o vetor V com os comprimentos dos passos correspondentes a cada variável é ajustado de modo que cerca de 50% de todos os movimentos sejam aceitos A finalidade é amostrar amplamente o espaço de projeto Se um número elevado de pontos é aceito para X, então o passo correspondente é aumentado Para uma dada temperatura isto aumenta o número de rejeições e

5 Descrição do Algoritmo 47 diminui a percentagem de aceitações No Passo 6, calcula-se a diferença entre os valores da solução corrente e do novo ponto encontrado na vizinhança (X ) No Passo 8, se o valor da função no ponto X for menor do que em X, então X passa a ser a solução corrente Da mesma forma verifica-se se o valor corrente é menor que o valor armazenado em X Emcasoafirmativo, X recebe o valor de X No Passo 9, caso o valor de f (X ) seja maior que o valor de f (X), gerase um número aleatório p entre 0 e 1, indicando que uma solução pior foi encontrada em X Se f é maior ou igual a f, o critério de Metropolis já mencionado decide se o ponto será aceito ou não O valor p = e f f /T (523) é computado e comparado com p Sep>p, o novo ponto é aceito, X é atualizado e o algoritmo se move numa direção de subida Se p<p,então X é rejeitado Dois fatores diminuem a probabilidade de um movimento ascendente: baixas temperaturas e grandes diferenças nos valores da funções calculadas Essa é uma tentativa de se escapar de mínimos locais No Passo 11, determina-se que a temperatura seja atualizada Após N T vezes nos ciclos (loops) acima a temperatura é reduzida A nova temperatura é dada por T = r T T (524) onde r T éumnúmeroentre0 e 1 Uma temperatura baixa diminui a probabilidade de movimentos de subida, produzindo um número elevado de pontos rejeitados e portanto diminuindo os comprimentos dos passos Além disso, o primeiro ponto a ser testado em uma nova temperatura é o ótimo atual Passos pequenos e início no ótimo atual significam que a área do espaço de projeto mais promissora é mais explorada Todos os parâmetros mencionados são definidos pelo usuário Notese que no início o SA tem uma estimativa grosseira do espaço de projeto movendo-se com passos maiores À medida que a temperatura cai o método vai lentamente focalizando a área onde o mínimo global deve estar localizado O código do SA utilizado neste trabalho é baseado no programa desenvolvido em Fortran por Goffe et al [65] que usaram um algoritmo implementado por Corana et al [41] Os parâmetros utilizados para a solução do problema de transferência radiativa apresentado na Seção 53 a seguir foram: T 0 =5, 0 - temperatura inicial;

6 48 Recozimento Simulado r T =0, 75 - coeficente de redução de temperatura; [V ] = [1;1;1;1] - vetor com o passo inicial (quatro variáveis de projeto); N s =20- número de perturbações de cada variável em cada passo; N t =5- número de mudanças de passo em cada temperatura; N ɛ = 4 - número de temperaturas consecutivas onde o critério de convergência deve ser satisfeito; ɛ< critério de convergência; N max = número máximo de avaliações da função objetivo Esses parâmetros foram obtidos empiricamente e produziram a necessária robustez para a solução do problema 53 Aplicação ao Problema Inverso de Transferência Radiativa Ométododescritofoiaplicadoaoproblema inverso de transferência radiativa em um meio homogêneo unidimensional, descrito na Subseção 221 e no Capítulo 3 [150, 151] Os parâmetros a se determinar correspondem ao vetor indicado na equação (321) as seguintes incógnitas: τ 0 - espessura ótica; ω - albedo de espalhamento simples; ρ 1 - refletividade na superfície interna esquerda do meio participante homogêneo unidimensional; ρ 2 - refletividade na superfície interna direita do meio participante homogêneo unidimensional Não temos dados experimentais disponíveis para asoluçãodoproblema inverso Foram utilizados dados experimentais sintéticos Y i adicionando ruído pseudo-aleatório r aos valores da intensidade da radiação térmica I i calculados com os valores exatos das incógnitas que se deseja determinar, conforme a expressão abaixo: Y i = I i + rσ (535) onde σ representaodesviopadrãodoserros experimentais Esta expressão é equivalente à equação (336) Inicialmente consideramos apenas o caso sem ruído para avaliar a potencialidade do método Introduzimos o ruído na solução híbrida da qual será descrita mais adiante Vamos analisar dois casos apresentados natabela51

7 Considerações Finais 49 Propriedade radiativa Caso 1 Caso 2 Espessura ótica τ 0 1, 0 1, 0 Albedo ω 0, 5 0, 5 Refletividade difusa ρ 1 0, 1 0, 95 Refletividade difusa ρ 2 0, 95 0, 5 Tabela 51: Valores das propriedades radiativas a serem determinadas Como solução inicial foram escolhidos pontos afastados da solução exata para testar a capacidade do método de enfrentar as dificuldades no espaço de projeto (região de busca) e evitar os mínimos locais Propriedade radiativa Caso 1 Caso 2 Espessura ótica τ 0 5, 0 5, 0 Albedo ω 0, 95 0, 95 Refletividade difusa ρ 1 0, 95 0, 5 Refletividade difusa ρ 2 0, 1 0, 1 Tabela 52: Valoresiniciaisdasvariáveis A solução para os dois casos é apresentada na Tabela 53 Verifica-se a precisão dos resultados embora com um elevado esforço computacional Valor final da Número de Caso τ 0 ω ρ 1 ρ 2 função objetivo avaliações da eq (324) função objetivo 1 0, , , , , 8E , , , , , 1E Tabela 53: Solução obtida com o Recozimento Simulado (SA) Uma alternativa ao SA puro para a redução do custo computacional é a utilização de um método híbrido onde inicialmente o SA é utilizado por alguns ciclos e depois um método local baseado no gradiente como o método de Levenberg-Marquardt (LM) [109] é utilizado para a obtenção de uma solução mais rápida e precisa A ideia é aproveitar as qualidades dos dois tipos de métodos Usa-se o método global para se chegar a um ponto localizado na região de convergência do método local que é então utilizado Ilustramos esta alternativa com o Caso 1 acima A Tabela 54 mostra a solução do LM sozinho partido do mesmo ponto utilizado pelo SA (Tabela 52) Neste caso foi introduzido um erro de 5% nos dados experimentais sintéticos Verifica-se que o LM não conseguiu convergir partindo do ponto especificado Utilizemos então o SA para iniciar o problema porém rodando apenas por dois ciclos (duas temperaturas) o que perfaz um total de 800 avaliações da função objetivo A partir do resultado obtido na Tabela 55 roda-se o LM chegando-se à resposta correta em um número pequeno de iterações (Tabela 56)

8 50 Recozimento Simulado Iteração τ 0 ω ρ 1 ρ 2 Função objetivo eq (324) 0 5, 0 0, 95 0, 95 0, 1 10, , , 63E 1 6, 6E 2 1, 0E 4 1, , , 97E 1 1, 0E 4 1, 0E 4 2, , , , 0E 4 1, 0E 4 2, 4646 Solução exata 1, 0 0, 5 0, 1 0, 95 0, 0 Tabela 54: Resultados para o Caso 1 e erro de 5% nos dados experimentais sintéticos usando o LM Valor final da Número de Caso τ 0 ω ρ 1 ρ 2 função objetivo avaliações da eq (324) função objetivo 1 0, , , , , 047E Tabela 55: SoluçãodoSAparaoCaso1 com 2 ciclos Iteração τ 0 ω ρ 1 ρ 2 Função objetivo eq (324) 0 0, 953 0, 531 0, , 944 8, 047E 3 1 0, 998 0, 506 0, 035 0, 949 4, 833E 3 2 1, 001 0, 503 0, 070 0, 949 5, 07E 6 3 1, 001 0, 503 0, 099 0, 950 2, 27E 6 Tabela 56: Solução para o Caso 1 utilizando o LM após 2 ciclos de SA (800 avaliações da função objetivo) 54 Considerações Finais Pelos resultados apresentados verifica-se o bom desempenho do SA A desvantagem é o elevado esforço computacional, característica comum a todos os métodos de otimização global O uso de soluções híbridas com a utilização de um método baseado em gradientes (método local) após alguns ciclos do SA mostrou ser uma boa alternativa para se diminuir o esforço computacional e refinar a solução